编辑推荐：
为填补匈牙利 Vis-NIR 土壤光谱库空白，研究人员分析相关样本，建立数据库，助力土壤研究与管理。
探秘土壤的 “光谱密码”：匈牙利土壤研究新突破
土壤，这一地球表面的神奇物质，不仅是植物生长的根基，更是生态系统稳定的重要支撑。在全球气候变化和农业可持续发展备受关注的当下，土壤的健康状况愈发关键。准确了解土壤的物理和化学参数，对于合理施肥、精准农业以及土壤保护意义非凡。传统的实验室分析方法虽然准确，但成本高昂、耗费人力且耗时较长，难以满足大规模、快速监测土壤的需求。
在此背景下，土壤光谱学技术崭露头角。它凭借快速、简单、准确且无损的优势，成为土壤研究领域的新宠。通过分析土壤在可见 - 近红外（Vis-NIR：350 - 2500nm）区域的光谱信息，研究人员能够推断出土壤的多种理化性质。然而，匈牙利在这一领域却存在明显短板，此前仅有部分覆盖且未公开的中红外（MIR）土壤光谱库，Vis-NIR 土壤光谱库的缺失，限制了该国在土壤研究和管理方面的发展。
为了填补这一空白，匈牙利农业研究中心（HUN-REN Centre for Agricultural Research）的研究人员 János Mészáros、Zsófia Kovács 等人展开了深入研究。他们将目光聚焦于匈牙利土壤退化观测系统（HSDOS）的遗留土壤样本，旨在构建一个涵盖多种土壤理化参数和 Vis-NIR 光谱数据的数据库。相关研究成果发表在《Scientific Data》杂志上，为土壤研究和可持续管理提供了宝贵资源。
研究方法：多管齐下，打造精准数据库
- 土壤采样：研究人员从匈牙利中央统计局数据库中精心挑选了 294 个具有代表性的农场。这些农场的选择综合考虑了肥料、有机肥和农药的使用情况、地理位置、土壤类型以及农场规模等因素。在每个农场的 5 公顷代表性采样单元（RSU）内，研究人员按照严格的采样协议，采用交叉采样法采集土壤样本。采集深度涵盖 0 - 30cm、30 - 60cm 和 60 - 90cm，不同深度的样本数量和采样点分布都有明确规定。例如，0 - 30cm 土层沿着 RSU 的两条对角线各采集 10 个点，共 20 个点混合成一个复合样本；30 - 60cm 和 60 - 90cm 土层则分别在特定的采样点采集，形成各自的复合样本。采样完成后，研究人员还对样本进行了地理坐标标注，确保样本的空间信息准确无误。
- 实验室分析：采集的复合土壤样本在 2011 年春季（3 月 1 日 - 6 月 1 日）和夏秋季节（7 月 1 日 - 11 月 30 日）进行处理，并在经过认证的实验室（Fejér County MGSZH Soil Testing Laboratory, Velence）进行分析。分析项目包括土壤化学参数，如pHKCl 、土壤有机质（SOM）、碳酸钙（CaCO3 ）含量、总盐含量（TSC）、总氮（TN）、可溶性磷（P2O5?AL ）、可溶性钾（K2O?AL ），以及土壤物理参数 —— 根据匈牙利标准测定的塑性指数（PLI）。其中，0 - 30cm 深度的土壤样本进行了全面的实验室分析，而 30 - 60cm 和 60 - 90cm 深度的样本则进行了有限分析，数据库开发时仅考虑有限分析中的土壤化学参数。
- 光谱测量：存储在土壤样本库中的 HSDOS 遗留土壤样本在 2022 - 2023 年被重新取出，用于光谱表征。研究人员使用 Analytical Spectral Devices（现为 Malvern Panalytical）的 FieldSpec 4 光谱辐射计，配备接触探头在实验室进行测量。测量前，光谱辐射计和接触探头内的卤素灯泡需预热至少 1 小时以稳定温度。在 RS3 软件中，光谱记录参数设置为 10/100/10，分别代表白色参考测量次数、暗参考测量次数和样本光谱记录次数。软件会自动计算并存储白色和暗参考的平均光谱，样本的最终光谱也通过平均函数计算得出。由于校准限制，测量过程分轮进行，每轮开始时使用校准的 Spectralon 白色参考面板对 FieldSpec 4 进行优化和校准，随后测量 25 个土壤样本，最后再次测量 Spectralon 面板以检查反射率数据是否存在漂移或饱和。若出现问题，则重新校准。每个土壤样本在 350nm 至 2500nm 范围内进行 5 次重复测量，每次测量 50 次，最终基于这些测量结果计算平均光谱，并将反射率数据以 1nm 的间隔均匀插值到整个范围，存储为 ASD 文件格式，后转换为 Excel XLSX 格式并合并为一个文件。
研究结果：丰富数据，揭示土壤奥秘
- 数据记录：研究人员构建的数据集包含了 5490 个土壤样本的详细信息，这些数据存储在 Zenodo 在线存储库中（https://doi.org/10.5281/zenodo.14610222）。数据集以单个 CSV 文件形式呈现，文件内容涵盖样本唯一标识符、野外采样日期和时间、样本位置的 EOV/HD72 和地理坐标、实验室分析得到的土壤理化参数，以及样本的土壤剖面深度信息。反射率数据则存储在以 “SPC.n” 命名的列中，“n” 代表测量波长（350 - 2500nm）。
- 技术验证：为确保数据质量，研究人员对实验室数据集和 Vis-NIR 反射率原始数据集进行了严格验证。对于实验室数据，剔除了无效（即超出范围）或缺失值的样本，但保留了极端但有效的值，以便数据库使用者尝试不同的数据过滤方法和阈值来识别潜在异常值。对于 Vis-NIR 反射率数据，针对 FieldSpec 4 传感器结构导致的 1000nm 和 1800nm 波长处反射率值的偏移，进行了拼接校正；同时，通过计算五次重复光谱测量的标准差（SD），并与 5% 的阈值（在 0 - 1 记录尺度上为 0.05）进行比较，剔除了因接触探头与土壤样本接触不良或测量过程中 FieldSpec 4 饱和导致的标准差过高的样本。光谱验证和校正过程通过用 R 语言编写的工作流程实现，简化后的脚本与数据集一同在 Zenodo 上共享。
- 数据应用：土壤光谱库的使用通常涉及对原始反射率数据的预处理和对感兴趣的光谱与土壤属性之间统计关系的推断。常见的预处理方法包括将反射率值转换为吸光度以突出化学成分与光谱波长之间的线性关系、去除光谱两端 100 个因处于记录范围边界而饱和度高且噪声大的波长以去除噪声、使用移动窗口平均法（如 Savitzky - Golay 方法）平滑数据、散射校正（如使用标准正态变量变换、乘法散射校正函数或去趋势处理）、一阶或二阶导数变换以及中心化和标准化等。这些方法可以单独使用，也可以组合使用。通过这些方法，研究人员可以建立土壤光谱与土壤理化性质之间的关系，从而实现基于光谱数据对土壤性质的预测。
研究结论与意义：开拓土壤研究新方向
这项研究成功构建了匈牙利土壤退化观测系统的 Vis-NIR 土壤光谱库，为土壤研究领域带来了诸多重要成果和意义。
从数据层面看，该数据库涵盖了大量土壤样本的多种理化参数和 Vis-NIR 光谱数据，为后续的土壤研究提供了丰富、全面的数据基础。无论是在区域还是国家尺度上，研究人员都可以利用这些数据，结合非破坏性光谱数据采集技术，更准确地预测重要的土壤基本属性，如土壤有机碳、阳离子交换容量、pH 、质地和碱饱和度等。
从研究角度出发，该数据库为进一步的土壤相关研究提供了有力支持。土壤和环境研究人员可以借助这些数据，深入探讨土壤的过去和现状，研究土壤在不同环境条件下的变化规律，从而更好地理解土壤生态系统的功能和演变机制。
在实际应用方面，该研究成果对于可持续土壤管理具有重要指导意义。通过快速、准确地获取土壤信息，农民和农业管理者可以更科学地制定施肥方案、调整种植策略，提高农业生产效率，减少资源浪费和环境污染。同时，对于土壤保护工作，这些数据也有助于及时发现土壤退化问题，采取针对性的保护措施，维护土壤的健康和生态功能。
总的来说，匈牙利农业研究中心研究人员的这项工作，为土壤研究和可持续管理打开了新的大门。未来，随着技术的不断发展和数据的进一步积累，相信这一土壤光谱库将在更多领域发挥重要作用，推动土壤科学的不断进步。
